數據精準營銷的七個關鍵要素

說到大數據精準營銷，不得不先提個性化的用戶畫像，我們針對每一類數據實體，進一步分解可落地的數據維度，刻畫TA的每一個特征，在聚集起來形成人群畫像。

01用戶畫像

用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。具體包含以下幾個維度：

用戶固定特征：性別，年齡，地域，教育水平，生辰八字，職業，星座

用戶興趣特征：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好

用戶社會特征：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分

用戶消費特征：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次

用戶動態特征：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準畫像大致分成三步。

1.采集和清理數據：用已知預測未知

首先得掌握繁雜的數據源。包括用戶數據、各式活動數據、電子郵件訂閱數、線上或線下數據庫及客戶服務信息等。這個是累積數據庫；這里面最基礎的就是如何收集網站／APP用戶行為數據。比如當你登陸某網站，其Cookie就一直駐留在瀏覽器中，當用戶觸及的動作，點擊的位置，按鈕，點贊，評論，粉絲，還有訪問的路徑，可以識別并記錄他／她的所有瀏覽行為，然后持續分析瀏覽過的關鍵詞和頁面，分析出他的短期需求和長期興趣。還可以通過分析朋友圈，獲得非常清晰獲得對方的工作，愛好，教育等方面，這比個人填寫的表單，還要更全面和真實。

我們用已知的數據尋找線索，不斷挖掘素材，不但可以鞏固老會員，也可以分析出未知的顧客與需求，進一步開發市場。

2.用戶分群：分門別類貼標簽

描述分析是最基本的分析統計方法，描述統計分為兩大部分：數據描述和指標統計。數據描述：用來對數據進行基本情況的刻畫，包括數據總數，范圍，數據來源。指標統計：把分布，對比，預測指標進行建模。這里常常是Data mining的一些數學模型，像響應率分析模型，客戶傾向性模型，這類分群使用Lift圖，用打分的方法告訴你哪一類客戶有較高的接觸和轉化的價值。

在分析階段，數據會轉換為影響指數，進而可以做"一對一"的精準營銷。舉個例子，一個80后客戶喜歡在生鮮網站上早上10點下單買菜，晚上6點回家做飯，周末喜歡去附近吃日本料理，經過搜集與轉換，就會產生一些標簽，包括"80后""生鮮""做飯""日本料理"等等，貼在消費者身上。

3.制定策略：優化再調整

有了用戶畫像之后，便能清楚了解需求，在實際操作上，能深度經營顧客關系，甚至找到擴散口碑的機會。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營銷人員就會把適合產品的相關信息，精準推送這個消費者的手機中；針對不同產品發送推薦信息，同時也不斷通過滿意度調查，跟蹤碼確認等方式，掌握顧客各方面的行為與偏好。

除了顧客分群之外，營銷人員也在不同時間階段觀察成長率和成功率，前后期對照，確認整體經營策略與方向是否正確；若效果不佳，又該用什么策略應對。反復試錯并調整模型，做到循環優化。

這個階段的目的是提煉價值，再根據客戶需求精準營銷，最后追蹤客戶反饋的信息，完成閉環優化。

我們從數據整合導入開始，聚合數據，在進行數據的分析挖掘。數據分析和挖掘還是有一些區別。數據分析重點是觀察數據，單純的統計，看KPI的升降原因。而數據挖掘從細微和模型角度去研究數據，從學習集、訓練集發現知識規則，除了一些比較商業化的軟件SAS，WEKA功能強大的數據分析挖掘軟件，這邊還是更推薦使用R，Python，因為SAS，SPSS本身比較昂貴，也很難做頁面和服務級別的API，而Python和R有豐富的庫，可以類似WEKA的模塊，無縫交互其他API和程序，這里還需要熟悉數據庫，Hadoop等。

02數據細分受眾

“顛覆營銷”書中提到一個例子，可以引述一下，大家思考一個問題：如果你打算搜集200份有效問卷，依照以往的經驗，你需要發多少份問卷，才能達到這個目標？預計用多少預算和時間來執行？

以往的方法是這樣的：評估網絡問卷大約是5%的回收率，想要保證收到200份的問卷，就必須有20倍的發送量，也就是發出4000份問卷，一個月內如果可以回收，就是不錯的表現。

但現在不一樣了，在執行大數據分析的3小時內，就可以輕松完成以下的目標：

精準挑選出1%的VIP顧客

發送390份問卷，全部回收

問卷寄出3小時內回收35%的問卷

5天內就回收了超過目標數86%的問卷數

所需時間和預算都在以往的10%以下

這是怎么做到在問卷發送后的3個小時就回收35%？那是因為數據做到了發送時間的"一對一定制化"，利用數據得出，A先生最可能在什么時間打開郵件就在那個時間點發送問卷。

舉例來說，有的人在上班路上會打開郵件，但如果是開車族，并沒有時間填寫答案，而搭乘公共交通工具的人，上班路上的時間會玩手機，填寫答案的概率就高，這些都是數據細分受眾的好處。

03預 測

“預測”能夠讓你專注于一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。

當我們采集和分析用戶畫像時，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶，這里面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及后端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。

我們再說一說營銷時代的變遷，傳統的企業大多還停留在“營銷1.0”時代，以產品為中心，滿足傳統的消費者需求，而進入“營銷2.0”，以社會價值與品牌為使命，也不能完全精準對接個性化需求。進入營銷3.0的數據時代，我們要對每個消費者進行個性化匹配，一對一營銷，甚至精確算清楚成交轉化率，提高投資回報比。

大數據下的營銷顛覆經典的營銷4P理論，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大數據時代，線下地理的競爭邊界早就不存在，比的是早一步的先知能力，利用大數據，從顧客真實交易數據中，預測下一次的購買時間。 營銷3.0時代關鍵詞就是“預測”。

預測營銷能夠讓你專注于一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。以上圖為例，你可以將營銷活動的目標受眾鎖定為20萬潛在客戶或現有客戶，其中包括特定產品的大多數買家（4萬人）。你還可以撥出部分預算用于吸引更小的客戶群（比如20% 的客戶），而不是整個客戶群，進而優化你的支出。

過去我們看數據可能是被動的方式，但預測營銷強調是決策價值，比如購買時間，你該看的不是她最后的購買日期，而是下次購買的時間，看未來的存活概率，最后生成客戶終身價值（CLV）。預測營銷催生了一種新的數據驅動營銷方式，就是以客戶為中心，核心在于幫助公司完成從以產品或渠道為中心到以客戶為中心的轉變。

04精準推薦

大數據最大的價值不是事后分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。譬如服裝網站Stitch fix例子，在個性化推薦機制方面，大多數服裝訂購網站采用的都是用戶提交身形、風格數據+編輯人工推薦的模式，Stitch Fix不一樣的地方在于它還結合了機器算法推薦。這些顧客提供的身材比例，主觀數據，加上銷售記錄的交叉核對，挖掘每個人專屬的服裝推薦模型。 這種一對一營銷是最好的服務。

數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。

05技術工具

關于預測營銷的技術能力，有幾種選擇方案：

1、使用預測分析工作平臺，然后以某種方法將模型輸入活動管理工具；

2、以分析為動力的預測性活動外包給市場服務提供商；

3、評估并購買一個預測營銷的解決方案，比如預測性營銷云和多渠道的活動管理工具。

但無論哪條路，都要確定三項基本能力：

1）連接不同來源的客戶數據，包括線上，線下，為預測分析準備好數據 ；

2）分析客戶數據，使用系統和定制預測模型，做高級分析 ；

3）在正確時間，正確客戶，正確的場景出發正確行為，可能做交叉銷售，跨不同營銷系統。

06預測模型

預測客戶購買可能性的行業標準是RFM模型（最近一次消費R，消費頻率F，消費金額M），但模型應用有限，本質是一個試探性方案，沒有統計和預測依據?！斑^去的成績不能保證未來的表現”，RFM只關注過去，不去將客戶當前行為和其他客戶當前行為做對比。這樣就無法在購買產品之前識別高價值客戶。

我們聚焦的預測模型，就是為了在最短時間內對客戶價值產生最大影響。這里列舉一些其他模型參考：

參與傾向模型，預測客戶參與一個品牌的可能性，參與定義可以多元，比如參加一個活動，打開電子郵件，點擊，訪問某頁面?？梢酝ㄟ^模型來確定EDM的發送頻率。并對趨勢做預測，是增加還是減少活動。

錢包模型，就是為每個客戶預測最大可能的支出，定義為單個客戶購買產品的最大年度支出。然后看增長模型，如果當前的總目標市場比較小，但未來可能很大，就需要去發現這些市場。

價格優化模型，就是能夠去最大限度提升銷售，銷量或利潤的架構，通過價格優化模型為每個客戶來定價，這里需要對你想要的產品開發不同的模型，或者開發通用，可預測的客戶價格敏感度的模型，確定哪一塊報價時對客戶有最大的影響。

關鍵字推薦模型，關鍵字推薦模型可以基于一個客戶網絡行為和購買記錄來預測對某個內容的喜愛程度，預測客戶對什么熱點，爆款感興趣，營銷者使用這種預測結果為特定客戶決定內容營銷主題。

預測聚集模型，預測聚集模型就是預測客戶會歸為哪一類。

07AI在營銷領域的應用

去年人工智能特別火，特別是深度學習在機器視覺，語言識別，游戲AI上的突飛猛進，以至于人們開始恐慌人工智能是不是已經可以接管人類工作，我個人是對新技術有著強烈的興趣，也非?？春眯驴萍?，數據與現實的關聯。

我以前在國外零售店買單的時候經常被詢問“你有沒有購物卡”，當我說沒有收銀員會趕緊勸我免費開通，有打折優惠，只需要填個手機號和郵箱，后面就可以針對我的購買記錄做營銷活動，而當我下次進來，他們就讓我報出電話號碼做消費者識別，當時我想如果做到人臉識別，豈不是更方便，刷臉就可以買單。而這個場景在去年也有了實驗，螞蟻金服研發出了一個生物識別機器人，叫螞可Mark，據說其認臉能力已經超越了人類肉眼的能力。還有VR購物，Amazon推出的無收銀員商店Amazon Go，通過手勢識別，物聯網和后續數據挖掘等技術實現購物體驗。

針對營銷領域，主要有以下三種預測營銷技術：

1、無監督的學習技術

無監督學習技術能識別數據中的隱藏模式，也無須明確預測一種結果。比如在一群客戶中發現興趣小組，也許是滑雪，也許是長跑，一般是放在聚類算法，揭示數據集合中 真實的潛在客戶。所謂聚類，就是自動發現重要的客戶屬性，并據此做分類。

2、 有監督的學習技術

通過案例訓練機器，學習并識別數據，得到目標結果，這個一般是給定輸入數據情況下預測，比如預測客戶生命周期價值，客戶與品牌互動的可能性，未來購買的可能性。

3、強化學習技術

這種是利用數據中的潛質模式，精準預測最佳的選擇結果，比如對某用戶做促銷應該提供哪些產品。這個跟監督學習不同，強化學習算法無須僅需輸入和輸出訓練，學習過程通過試錯完成。

從技術角度看，推薦模型應用了協同過濾，貝葉斯網絡等算法模型。強化學習是被Google Brain團隊的負責人Jeff Dean認為是最有前途的AI研究方向之一。最近Google的一個AI團隊DeepMind發表了一篇名為《學會強化學習》的論文。

按團隊的話來說，叫做“學會學習”的能力，或者叫做能解決類似相關問題的歸納能力。除了強化學習，還在遷移學習。遷移學習就是把一個通用模型遷移到一個小數據上，使它個性化，在新的領域也能產生效果，類似于人的舉一反三、觸類旁通。

強化學習加上遷移學習，能夠把小數據也用起來，我認為是很激動人心的，通過AI來創造AI，數據科學家的部分工作也可以讓機器來實現了。